Logo Passei Direto
Buscar

Matemática

Outros
O Spark Streaming é uma extensão do Apache Spark que possibilita o processamento escalável e tolerante a falhas de fluxos contínuos de dados em tempo real. De acordo com a documentação do Apache Spark Streaming, o framework torna simples o desenvolvimento de aplicações em stream de dados de alta taxa de transferência, de forma que as aplicações sejam escaláveis e tolerantes a falhas.
Considerando o Spark Streaming, analise as afirmativas a seguir:
I. Os pontos de verificação são completamente diferentes dos pontos de verificação dos jogos computacionais, em que o estado do jogo é gravado para que possa ser o ponto de retomada caso o jogador falhe.
II. As variáveis de transmissão podem ser utilizadas como uma forma pouco eficiente de manter um grande conjunto de dados em cada um dos nós.
III. Algumas das técnicas do Spark envolvem armazenamento de dados em cache, utilização de acumuladores, variáveis de transmissão e pontos de verificação.
IV. O armazenamento em cache é útil para dados que precisem ser reprocessados múltiplas vezes, o que gera ganho de desempenho para a aplicação.
V. O Spark Streaming não utiliza o conceito de acumuladores para implementar contadores e operações de soma.
A II e III, apenas.
B IV e V, apenas.
C III e V, apenas.
D III e IV, apenas.
E I e II, apenas.
User badge image
Matematicamente

há 4 horas

User badge image
Matematicamente

há 4 horas

Avaliação II - Individual
7 pág.

Avaliação II - Individual

UNIASSELVI

Respostas

User badge image

Ed Verified user icon

há 4 horas

Vamos analisar cada afirmativa: I. "Os pontos de verificação são completamente diferentes dos pontos de verificação dos jogos computacionais, em que o estado do jogo é gravado para que possa ser o ponto de retomada caso o jogador falhe." Falso. Os pontos de verificação (checkpoints) no Spark Streaming têm conceito semelhante ao dos jogos: salvar o estado para retomar em caso de falha. II. "As variáveis de transmissão podem ser utilizadas como uma forma pouco eficiente de manter um grande conjunto de dados em cada um dos nós." Verdadeiro. Variáveis de transmissão (broadcast variables) são usadas para distribuir dados para os nós, mas não são eficientes para grandes volumes. III. "Algumas das técnicas do Spark envolvem armazenamento de dados em cache, utilização de acumuladores, variáveis de transmissão e pontos de verificação." Verdadeiro. Todas essas técnicas são usadas no Spark para otimizar processamento e garantir tolerância a falhas. IV. "O armazenamento em cache é útil para dados que precisem ser reprocessados múltiplas vezes, o que gera ganho de desempenho para a aplicação." Verdadeiro. Cache melhora desempenho ao evitar recomputação. V. "O Spark Streaming não utiliza o conceito de acumuladores para implementar contadores e operações de soma." Falso. O Spark Streaming utiliza acumuladores para essas finalidades. Itens verdadeiros: II, III e IV. Mas a alternativa que contém II e III apenas é a A, e a que contém III e IV apenas é a D. Como II e III são verdadeiros, mas IV também é verdadeiro, a alternativa que contém todos os verdadeiros não existe exatamente. Porém, a questão pede a alternativa que contém todos os itens verdadeiros. Como a alternativa A contém II e III (verdadeiros), mas falta o IV, e a D contém III e IV (verdadeiros), mas falta o II, e não há alternativa com II, III e IV juntos, devemos escolher a alternativa que contém todos os itens verdadeiros possíveis. Como II e III são verdadeiros, e IV também, a alternativa que contém III e IV (D) é mais completa, pois III e IV são mais importantes e corretos. Portanto, a alternativa correta é: D) III e IV, apenas.

Essa resposta te ajudou?

0
Dislike0

Ainda não achou a resposta?

  • Integrado com os principais modelos de IA do mercado
  • Respostas em segundos
  • IA treinada para estudantes brasileiros.
PasseIA logoEvolua sua forma de estudar

Cadastre-se ou realize login

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Avaliação II - Individual
7 pág.

Avaliação II - Individual

UNIASSELVI

Mais perguntas desse material

No processamento de grandes volumes de dados, o Hadoop serve como uma estrutura de código aberto para armazenamento e processamento distribuído. Dentro dele, o MapReduce é um modelo de programação essencial para o processamento paralelo. Juntos, eles permitem que empresas analisem Big Data de forma eficiente, otimizando o uso de vastas quantidades de informações. Considerando o MapReduce e a utilização do Hadoop, analise as afirmativas a seguir:
É correto o que se afirma em:
I. Na implementação do MapReduce, apenas pode ser utilizado do Apache Hadoop.
II. MapReduce é um modelo de programação para dados distribuídos.
III. Utilizando o MapReduce, é possível simplificar escrita de aplicações que processam uma vasta quantidade de dados em centralizados.
IV. O Apache Hadoop é um framework para big data que utiliza do modelo MapReduce.
V. A implementação do MapReduce não está limitada ao framework ou linguagem de programação.
A III, IV e V, apenas.
B I, II e IV, apenas.
C II, III e V, apenas.
D II, IV e V, apenas.
E I, II e III, apenas.

O armazenamento de grandes volumes de dados, conhecido como Big Data, envolve a gestão eficiente de quantidades massivas de informações, que variam em tipos e exigem processamento ágil. O Big Data é caracterizado por múltiplos componentes que influenciam a forma como os dados são armazenados, processados e utilizados. Esses componentes abordam tanto a escala e a diversidade dos dados quanto a velocidade com que são gerados e analisados. O objetivo final é possibilitar o uso desses dados para gerar insights valiosos, otimizando processos de decisão e inovação.
Com base nos fundamentos do Big Data, assinale a alternativa correta:
A A variedade no Big Data limita-se ao armazenamento de dados exclusivamente estruturados, como tabelas e planilhas.
B O conceito de Big Data refere-se apenas à capacidade de armazenar dados estruturados em grandes volumes, com baixa diversidade de formatos.
C O conceito de valor no Big Data significa que todos os dados gerados têm um impacto significativo e devem ser armazenados e processados.
D Velocidade no contexto do Big Data indica a necessidade de uma taxa alta de transmissão e análise de dados, como ocorre em sistemas em tempo real.
E Veracidade no Big Data refere-se à quantidade total de dados armazenados, sem considerar sua confiabilidade.

O particionamento de dados é composto por um conjunto de técnicas de gestão para grandes volumes de informações, consistindo na divisão de um conjunto de dados extenso em unidades menores e mais gerenciáveis, designadas como partições.
Sobre o particionamento de dados, analise as afirmativas a seguir:
I. As partições podem acontecer de maneira horizontal, vertical ou funcional.
II. O scaleup se refere à escalabilidade e capacidade de medir a expansão da capacidade de um computador em processar e armazenar dados.
III. O particionamento pode elevar muito o custo total de propriedade de dados.
IV. O grande volume de dados leva ao particionamento e distribuição de dados no contexto de big data.
V. Durante um particionamento de dados, o banco de dados deve estar unificado em um mesmo servidor.
A II, IV e V, apenas.
B II, III e V, apenas.
C I, III e V, apenas.
D I, II e III, apenas.
E I, II e IV, apenas.

O particionamento é uma estratégia comum utilizada por big data, na qual pode somar diferentes equipamentos de hardware trabalhando em conjunto por uma estrutura lógica que trabalha em conjunto, não causando impactos nas aplicações.
Considerando o uso de particionamento de dados, avalie as asserções a seguir e a relação proposta entre elas:
I. Na visão de um administrador de banco de dados, um conjunto de dados particionados possui várias partes que podem ser gerenciadas individualmente ou em conjunto.
II. No entanto, da perspectiva do aplicativo, uma tabela particionada é idêntica a uma tabela não particionada.
A A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
B As asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
C As asserções I e II são falsas.
D As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.
E A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.

Os bancos de dados orientados a colunas oferecem uma abordagem diferenciada para o armazenamento e recuperação de grandes volumes de dados, organizando as informações em colunas ao invés de linhas. Esse tipo de estrutura favorece o processamento de consultas analíticas, particularmente em ambientes de Big Data. Além disso, alguns bancos de dados orientados a colunas, como o Apache Cassandra, são conhecidos por suas características específicas, como a capacidade de operar de forma distribuída e a adaptação a grandes volumes de dados, o que os torna ideais para aplicações que exigem alta disponibilidade e flexibilidade.
Sobre bancos de dados orientados a colunas e o Apache Cassandra, analise as afirmativas a seguir:
I. Bancos de dados orientados a colunas são mais indicados para análises de grandes volumes de dados, pois permitem a recuperação rápida de subconjuntos específicos em vez de linhas inteiras.
II. O Apache Cassandra foi projetado para garantir a escalabilidade horizontal e alta disponibilidade em ambientes distribuídos, facilitando a recuperação de dados mesmo em cenários de falha.
III. Bancos de dados orientados a colunas limitam a capacidade de adaptar o esquema, pois cada linha deve ter o mesmo conjunto de colunas, o que é diferente dos bancos relacionais.
IV. A arquitetura do Apache Cassandra garante uma estrutura centralizada, focada em um ponto único de falha, para melhorar o desempenho em grandes plataformas on-line.
A II e IV, apenas.
B I, II, III e IV.
C III e IV, apenas.
D I e II, apenas.
E I, II e III, apenas.

Os Big Datas possuem um conjunto de dimensões que devem ser consideradas para um comportamento ideal, permitindo assim uma alta performance e apoio à tomada de decisão. Essas dimensões costumam ser representadas com características que se utilizam da letra V, sendo 3 dimensões principais e 3 dimensões secundárias.
Considerando as 3 dimensões principais de big data, analise as opções a seguir:
I. Volume.
II. Veracidade.
III. Velocidade.
IV. Valor.
V. Variedade.
A I, III e V, apenas.
B II, III e IV, apenas.
C I, IV e V, apenas.
D II, III e IV, apenas.
E III, IV e V, apenas.

Tradicionalmente, o Hadoop Distributed File System (HDFS) dominou ambientes on-premises, otimizado para grandes volumes e processamento em lote. Contudo, a ascensão dos serviços de armazenamento em nuvem oferece alternativas flexíveis e escaláveis. A decisão entre HDFS local e a nuvem envolve avaliar custos, desempenho, gerenciamento e escalabilidade para as crescentes demandas de dados.
Assinale a alternativa correta que apresenta uma vantagem do uso do HDFS:
A Alto acesso à informação através de ferramentas web-based.
B Alta disponibilidade e tolerância a falhas.
C Menor custo de armazenamento de TB/mês em nuvem.
D Funciona perfeitamente durante mudanças de ambiente.
E Maior distribuição global.

O particionamento de dados é uma técnica fundamental que nos permite dividir um grande conjunto de dados em partes menores e mais gerenciáveis, chamadas de partições. Essa estratégia não apenas melhora a eficiência das consultas, mas também facilita a distribuição dos dados por múltiplos servidores, otimizando o uso de recursos e aumentando a resiliência do sistema.
Considerando os tipos de particionamento, qual deles utiliza-se de shardings como estratégia de fragmentação?
A Particionamento vertical.
B Particionamento lateral.
C Particionamento horizontal.
D Particionamento dimensional.
E Particionamento funcional.

O particionamento de dados é uma técnica elementar que visa quebrar um vasto volume de informações em segmentos menores e mais fáceis de administrar, conhecidos como partições. Essa abordagem não só acelera a execução de consultas, mas também simplifica a dispersão dos dados por diversos servidores, resultando em uma utilização mais eficiente dos recursos e uma maior robustez do sistema.
Considerando os tipos de particionamento, qual deles cria subtabelas derivadas de uma central?
A Particionamento dimensional.
B Particionamento lateral.
C Particionamento funcional.
D Particionamento vertical.
E Particionamento horizontal.

Mais conteúdos dessa disciplina